本文小节
2026年8月，《科学》杂志刊出一项引发讨论的研究：初级开发者是生成式AI编程工具使用最多的人群，但他们并未因此受益；真正借助工具提升生产力和创新产出的，是资深开发者。Daniotti等人训练了一个机器学习分类器，识别美国、中国、法国、德国、印度和俄罗斯六个国家软件开发者中由AI生成的代码，据此得出上述结论。 来源：science.org
此后数月，多家机构的大规模数据分析反复呈现同一组矛盾：AI生成代码的占比快速攀升，但代码审查、合并效率以及不同层级工程师获益程度之间的差距在扩大。较主流的解释是：工具正快速融入生产流程，但尚未触及软件开发真正的瓶颈环节。
AI写代码已是默认选项，而且被高估
Software Improvement Group（SIG）《2026年软件行业报告》基于超过3万个系统、4000亿行代码的基准数据，开篇给出结论：“三年前，用AI写代码还显得新奇；2026年，这是默认选项。”该报告援引调查称90%的技术从业者现在工作中使用AI。 来源：softwareimprovementgroup.com
各机构披露的数据相互印证。微软称AI已生成其代码库的30%（CNBC）；Salesforce CEO Marc Benioff接受Bloomberg采访时估计AI代理约处理30%到50%的工作负载；Google被Business Insider报道称75%的代码经AI生成。New Relic委托Hanover Research调查200名技术负责人（经理及以上级别），67%的受访者报告AI生成或显著重构组织了每周51%到75%的代码。 来源：newrelic.com
需要注意，“生成”不等于“直接可用”。这些数据指向2026年主流组织的工作流形态：AI负责产出代码，工程师负责审查、验证、集成和兜底。
资深工程师拿到了最大收益
收益分化体现在工具使用的实际回报上。Opsera对24,800名开发者及60余家企业的研究发现，AI将代码提交到PR的时间最多缩短58%，但AI生成的PR审查等待时间比人工高出4.6倍，并引入15%到18%更多的安全漏洞。与此同时，《科学》论文亦发现，资深开发者“leveraged genAI to increase their productivity and software innovations”，而入门级开发者使用AI最多却不显性受益。 来源：opsera.ai 来源：science.org
SIG报告提供另一层解释：进入2026年后，代码生成量增速快于任何历史时期，但代码审查的能力没同步跟上，导致技术债务上升。AI生成的代码其安全风险违规约为人写代码的两倍，可维护性也更差。 来源：softwareimprovementgroup.com
代码合并瓶颈：AI代码等待更久、被接受率更低
LinearB的2026年工程基准报告基于42个国家、4,800个团队、163,820名贡献者的810多万条pull request。报告发现，AI Agent的pull request平均等待审查17.6小时，而人工PR为3.4小时，差距5.25倍。30天内合并率，AI PR为32.7%，人工PR为84.4%；即使只看执行力最强的团队，人工PR合并率仍达95%，AI PR仅为71%。 来源：linearb.io
报告还指出，44.7%的组织尚未正式度量AI的影响，但76.1%的负责人单凭采用信号就报告“有增益”，这些信号并非来自交付数据。 来源：linearb.io
结论：分配瓶颈不在“生成”，而在“审查—吸收”
电子及电气工程师在组织内“报告多，获得少”的困境。《科学》论文编辑总结也追问：“谁真正受益？”综合各报告的数据，答案清晰：这不是“用vs不用AI”，而是你在需要审查、验证、集成和决定的工作流中所处的位置——AI代码等待更久，合并率更低，所有组织投入的审查、调整和系统集成成本，几乎必须由资深工程师来完成。收益与熟练程度高度相关；AGI工具本身的产出“不稳定”会延后到集体的损失。